Pour les véhicules intelligents, un système de perception est un élément clé pour caractériser en temps réel un modèle de l’environnement de conduite autour du véhicule. Lors de la modélisation de l’environnement, les informations relatives aux obstacles doivent être gérées prioritairement car les collisions peuvent être mortelles pour les autres usagers de la route ou pour les passagers à bord du véhicule considéré. La caractérisation de l’espace occupé est donc cruciale mais pas suffisante pour les véhicules autonomes puisque le système de contrôle a besoin de trouver l’espace navigable pour assurer une planification sure de trajectoire. En effet, afin de naviguer sur les routes publiques avec d’autres utilisateurs, le véhicule doit aussi suivre les règles de circulation qui sont décrites, par exemple, par des marquages au sol peints sur la chaussée. Dans ce travail, nous nous concentrons sur une approche fondée sur des grilles égocentrées pour modéliser l’environnement. L’objectif est d’obtenir un modèle unifié contenant les informations d’obstacle avec des règles sémantiques de la route. Pour modéliser les informations d’obstacle, l’occupation est assurée par l’interprétation des informations des différents capteurs comme les valeurs des cellules. Pour modéliser la sémantique de l’espace navigable, nous proposons d’introduire la notion de grille de voies qui consiste à intégrer l’information sémantique de voie dans les cellules de la grille. La combinaison de ces deux niveaux d’information donne ainsi un modèle d’environnement plus raffiné. Lors de l’interprétation des données des capteurs en information d’obstacle, il faut manipuler des incertitudes dues à de l’ignorance ou des erreurs. L’ignorance est liée à la perception des nouveaux espaces dans la zone de perception et les erreurs proviennent de mesures bruitées et d’estimations imprécises de la pose. Dans cette recherche, la théorie de la fonction de croyance est adoptée pour faire face aux incertitudes et nous proposons des modèles évidentiels pour différents types de capteurs comme des lidars et des caméras. Les grilles de voie contiennent des informations sémantiques sur les voies provenant des marquages au sol, par exemple. À cette fin, nous proposons d’utiliser une carte a priori qui contient des informations détaillées sur la route comme l’orientation de la route et les marquages des voies. Ces informations sont extraites de la carte en utilisant une estimation de pose fournie par un système de localisation. Dans le modèle proposé, nous intégrons dans les grilles les informations de voie en tenant compte de l’incertitude de la pose estimée. Les algorithmes proposés ont été implémentés et testés sur des données réelles obtenues sur des routes publiques. Nous avons développé des algorithmes Matlab et C ++ avec le logiciel PACPUS développé au laboratoire. / For intelligent vehicle applications, a perception system is a key component to characterize in real-time a model of the driving environment at the surrounding of the vehicle. When modeling the environment, obstacle information is the first feature that has to be managed since collisions can be fatal for the other road users or for the passengers on-board the considered vehicle. Characterization of occupation space is therefore crucial but not sufficient for autonomous vehicles since the control system needs to find the navigable space for safe trajectory planning. Indeed, in order to run on public roads with other users, the vehicle needs to follow the traffic rules which are, for instance, described by markings painted on the carriageway. In this work, we focus on an ego-centered grid-based approach to model the environment. The objective is to include in a unified world model obstacle information with semantic road rules. To model obstacle information, occupancy is handled by interpreting the information of different sensors into the values of the cells. To model the semantic of the navigable space, we propose to introduce the notion of lane grids which consist in integrating semantic lane information into the cells of the grid. The combination of these two levels of information gives a refined environment model. When interpreting sensor data into obstacle information, uncertainty inevitably arises from ignorance and errors. Ignorance is due to the perception of new areas and errors come from noisy measurements and imprecise pose estimation. In this research, the belief function theory is adopted to deal with uncertainties and we propose evidential models for different kind of sensors like lidars and cameras. Lane grids contain semantic lane information coming from lane marking information for instance. To this end, we propose to use a prior map which contains detailed road information including road orientation and lane markings. This information is extracted from the map by using a pose estimate provided by a localization system. In the proposed model, we integrate lane information into the grids by taking into account the uncertainty of the estimated pose. The proposed algorithms have been implemented and tested on real data acquired on public roads. We have developed algorithms in Matlab and C++ using the PACPUS software framework developed at the laboratory.
| Identifer | oai:union.ndltd.org:theses.fr/2016COMP2293 |
| Date | 15 September 2016 |
| Creators | Yu, Chunlei |
| Contributors | Compiègne, Berge-Cherfaoui, Véronique, Bonnifait, Philippe |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0113 seconds